Os rins são órgãos vitais e o comprometimento de sua função pode ter consequências graves. A doença renal crônica (DRC), uma doença progressiva, representa um desafio clínico significativo devido aos seus sintomas iniciais, muitas vezes sutis. Estima-se que aproximadamente 850 milhões de pessoas em todo o mundo sofram de doença renal, com até 10 milhões dependendo de diálise ou transplante renal, o que destaca a importância do diagnóstico precoce.

Para enfrentar esse desafio, pesquisadores estão explorando o uso de inteligência artificial e tecnologias de aprendizado de máquina (ML) para desenvolver ferramentas automatizadas que melhorem a eficiência e a precisão da detecção da DRC. A pesquisa da Faculdade de Engenharia e Ciência da Computação da Florida Atlantic University avança ainda mais nesse campo, explorando como a computação quântica pode aprimorar o desempenho de sistemas de diagnóstico de DRC baseados em aprendizado de máquina. O autor sênior, Dr. Arslan Munir, e sua equipe desenvolveram e compararam dois sistemas de diagnóstico automatizados: a máquina de vetores de suporte clássica (CSVM) e a máquina de vetores de suporte quântica (QSVM).

A equipe de pesquisa primeiro pré-processou o conjunto de dados de DRC para garantir a confiabilidade dos resultados. Posteriormente, eles empregaram a análise de componentes principais (PCA) e a decomposição em valores singulares (SVD) para otimizar os dados, reduzir o ruído e melhorar a eficiência computacional. Ao comparar o desempenho do CSVM e do QSVM em conjuntos de dados otimizados, o estudo revelou diferenças significativas: quando combinado com a PCA, o CSVM alcançou uma precisão de 98,75%, enquanto o QSVM atingiu apenas 87,5%; após o uso da SVD, a precisão do CSVM chegou a 96,25%, enquanto a do QSVM caiu para 60%. O SVM clássico também superou significativamente o QSVM em velocidade, sendo até 42 vezes mais rápido em certas condições. No entanto, Munir enfatizou que as limitações de desempenho do QSVM devem-se principalmente à capacidade computacional atual, e não ao potencial insuficiente dos algoritmos quânticos. Sistemas híbridos quântico-clássicos podem ser uma solução a curto prazo, combinando as vantagens de ambos para melhorar a precisão diagnóstica.

"A singularidade do nosso trabalho reside na aplicação simultânea de métodos de aprendizado de máquina clássico e quântico para detectar doença renal crônica", disse Munir. "Por meio da comparação direta, obtivemos informações valiosas sobre o estado atual da tecnologia e como a computação quântica está moldando o futuro da análise de dados na área da saúde." Olhando para o futuro, a equipe de pesquisa planeja expandir seus estudos, explorar outros algoritmos de aprendizado de máquina quântico, testá-los em conjuntos de dados maiores e otimizar as técnicas de seleção de recursos para criar ferramentas de diagnóstico baseadas em IA mais confiáveis ​​e eficientes.